Nationalt befæstelseskort ved hjælp af Machine Learning og geografiske data Morten Revsbæk, Scalgo Indlæggets fokus vil være på brugen af Machine Learning i udviklingen af Scalgo’s services. Morten vil give en kort introduktion til det nationale befæstelseskort og vandoplandsværktøj, samt give indblik i hvordan AI og Machine Learning har bidraget hertil. Herudover diskuterer mulighederne i at kombinere Machine Learning med geografiske data, til gavn for vandbranchen.

1. ML-baseret befæstelseskort
- Teknologi, resultater og processer
Morten Revsbæk / Jonas Tranberg

2. Detaljeret digital model af den fysiske verden
Terræn
Terræn
Tværsnit af vandveje
Bygninger
Detaljerede data er tilgængelige
▪ Højdemodeller i 40 cm opløsning
▪ Luftfoto i 10 cm opløsning
▪ Højere opløsning og kortere opdateringstid
Fra data til interaktiv digital model
▪ Indsamling af data fra offentlige databaser
▪ Vedligeholde opdaterede analyser og værktøjer
▪ Udstille i brugerflade

3. Overblik, indsigt og scenarier
Fra data til information og opgaveløsning

4. > 1.000.000.000.000 elevation points
EU Open Data Directive (2023)
USGS 3DEP (2023)
(towards 10.000.000.000.000)
Fra detaljeret model til storskala
6 lande

5. Fra storskala til mere detaljeret model
Terræn
Terræn
Tværsnit af vandveje
Underføringer
Arealanvendelser
Bygninger
Kan vi anvende store mængder geografiske data på tværs af
landegrænser til at forbedre vores model af den fysiske verden?

6. Konkrete eksempler på værdiskabelse med ML
Hydrologiske tilpasninger
Befæstelseskort
Værdiskabelse
▪ Forbedret automatiseret modellering i nationalskala
▪ Hurtigere opsætning af lokale hydrodynamisk oversvømmelsesmodellering
▪ Bedre information i det daglige arbejde i kommuner og forsyninger

8. To måneders forbrug
> 12.000 minutter > 500 forskellige brugere > 120 downloads

9. Vigtige ingredienser i Machine Learning
▪ Håndtering, indsamling og adgang til store datamængder
▪ Både input og output
▪ Investering i beregningskraft
▪ Det kræver massiv beregningskraft at beregne i DK (og i Nord Europa)
▪ Teknisk know how
▪ Udvikliing af high-performance ML algoritmer er et specialistdomæne
▪ Proces frem for produkt
▪ Ikke et IT produkt som bliver specificeret og leveret
▪ En proces som integreres i produkt og platform og løbende forbedres

10. Både manuelt og på
validerings sæt
Evaluer på mindre
set
(måske release)
Evaluer på hele
danmark
Typisk enkelt model for
indre løkke og en
ensemble for ydre.
Træn ny model(s)
Processering af
eksisterende kilder.
Annotering af
orthophotos for nye
data (Special-minds)
Skaf mere
træningsdata
(annotering)
Find attribuering af fejl i
træningssæt.
Manipuler trænings sæt
Proces - befæstelseskortet

11. Data kilder - Input features (full model)
▪ LiDAR point clouds: Normalized-DSM*, Return-Num, Classification
▪ Orthophoto billeder : RGB+N (fra to forskellige år for bedre at dække
områder i skygge)
▪ Vector features: vej-midte, vej-kant
*log(clip(DSM - Gaussfilter(DTM)) + 1)
Data sources - Input features (ortho model)
▪ Orthophoto: RGB+N fra et år

12. Data kilder - targets
Nuværende trænings-set indeholder 1.8 miliarder pixels.
▪ Komplette labels fra to kommuner (Skanderborg og lejre).
▪ Genereret set af alle veje (fra vej-kant / vej-midte). Ikke specielt, kræver manuel
inspection.
▪ Alle marker i Danmark
▪ Alle bygninger i Danmark
▪ Alle skove
▪ Over 4000 parkeringspladser genereret på baggrund af linjestykker af geodanmark af
SpecialMinds (ca. 500 i brug).
▪ Omkring 50 annoterede baggårde (SpecialMinds).
▪ Udvalgte ikke-befæstede områder (strande / hede).
▪ På baggrund af dette laves trænings polygoner.

13. UNET baseret “Convolutional Neural
Network” med tricks.
▪ Bruger “depth wise separable convolutions” for at
begrænse antallet af parametre uden at miste
performance.
▪ Bruger “skip-connections (ResNet)” for bedre flow
af gradienter.
▪ Bruger “atrous-convolutions” som øger det
perceptuelle felt ved at downsample direkte i
filteret.
▪ Er gået fra model med 1.6 mil parametre -> til
omkring 6 mil parametre -> 38.5 mil parametre. (4x
i ensemble)
Model

14. Annotering (special minds)
▪ Behov for “nålestiksoperationer” i træningsdata.
▪ Platform for produktion af polygoner til træningsdata.
▪ Task baseret flow, der giver både os og brugeren flexibilitet.
▪ Semi-automatiseret kvalitetssikring (statistik baseret).
▪ Live Demo (Ml Annotation (scalgo.com))

15. (Målbar) Performance
accuracy recall precision recall false precision false auc f1
Ny (2021-2) 0.9530 0.9543 0.8822 0.9526 0.9824 0.9908 0.9168
Gm (2020-11) 0.9390 0.9549 0.8415 0.9331 0.9823 0.9852 0.8947
SDFE 0.9075 0.9220 0.7781 0.9021 0.9688 0.9121 0.8439
Ny (2021-2) 0.9665 0.9577 0.9095 0.9693 0.9862 0.9944 0.9330
Gm (2020-11) 0.9452 0.9524 0.8428 0.9428 0.9840 0.9880 0.8943
SDFE 0.9381 0.8268 0.9108 0.9739 0.9458 0.9003 0.8667
Ny (2021-2) 0.9249 0.7353 0.0036 0.9250 0.9999 0.9403 0.0072
Gm (2020-11) 0.5967 0.7085 0.0006 0.5966 0.9998 0.7920 0.0013
SDFE 0.2824 0.8946 0.0005 0.2822 0.9999 0.5884 0.0009
Skovby Lejre Strand

16. Eksempel 1
SDFE NY (2021-02) GM (2020-11)